基于风格与语义双重一致性的可泛化视网膜图像分割框架研究

为解决单源域训练模型在跨设备视网膜图像分割中的泛化难题，山东大学团队提出风格与语义双重一致性框架（SSDC）。该研究通过伪目标域生成和风格统一策略消除图像差异，结合双分支分割网络与语义一致性特征注意力模块（SCFA），在OCT和眼底图像数据集中7/9实验组达到最优性能，显著降低对多域标注数据的依赖，为异构医疗系统部署提供新方案。

　　

在医疗AI领域，视网膜图像分割是诊断糖尿病视网膜病变等疾病的关键技术。然而现实中，不同医院使用的扫描设备、成像参数差异导致图像风格迥异，使得基于单一数据训练的深度学习模型在新场景中性能骤降。传统解决方案需要收集多中心数据，但医疗数据的隐私性和标注成本让这成为"不可能任务"。更棘手的是，简单增加数据多样性会让网络过度关注"分割友好"特征，反而丢失关键语义信息——这就像让厨师同时处理几十种菜系，最终每道菜都失去本味。

山东大学的研究团队在《Biomedical Signal Processing and Control》发表的论文中，创新性地提出风格与语义双重一致性框架（SSDC）。该研究包含两大核心技术：首先通过域增强模块（DAM）生成伪目标域，再利用风格统一网络将多风格图像映射回源域空间，其核心是利用实例归一化（IN）层的风格不变特性；随后设计双分支分割网络，通过语义一致性特征注意力模块（SCFA）强化域不变特征提取。实验证明，该方法在视网膜OCT和眼底图像数据集中，七组跨设备测试性能超越现有技术，且网络参数量减少20%。

样本风格统一阶段
通过域随机化技术将单源域数据转化为多伪目标域，再训练风格统一网络实现目标域到源域的逆向映射。该策略有效阻断了图像风格差异对分割网络的干扰，其关键突破在于发现IN层对未知域的强适应能力。

统一样本分割阶段
双分支网络分别处理源域和映射样本，SCFA模块通过交叉注意力机制对齐特征空间。实验显示，该模块使模型在仅使用单源域训练时，仍能提取出与多域训练相当的域不变特征，在眼底血管分割任务中Dice系数提升5.3%。

跨域性能验证
在三种OCT设备和四种眼底相机的测试中，SSDC在七种跨设备组合中Dice系数平均达85.7%，显著优于域随机化（DR）和元学习方法的79.2%。特别在蔡司Cirrus到海德堡Spectralis的迁移任务中，其性能波动小于2%，证明优异的设备泛化能力。

该研究的创新性体现在三方面：首次实现单源域条件下的域不变特征提取；提出"先统一风格再分割"的级联框架，使网络收敛速度提升30%；临床价值在于仅需单个医院的标注数据即可服务多中心需求。正如作者Xiaohui Li所述，这项技术有望成为异构医疗系统间的"通用翻译器"，其采用的风格解耦思路为医学图像分析开辟了新范式。未来研究可探索该框架在CT-MRI跨模态场景的应用潜力。